Nghiên cứu ứng dụng một số phương pháp và mô hình dự báo ngắn hạn để dự báo các chỉ tiêu thống kê xã hội chủ yếu Viện KH Thống kê

Do đề tài dự báo năm 2007-2008 chỉ dừng lại ở việc nghiên cứu dự báo các chỉ tiêu thống kê kinh tế mà chưa nghiên cứu dự báo cho các chỉ tiêu thống kê xã hội, mặt khác kết quả của đề này

TỔNG CỤC THỐNG KÊ

BÁO CÁO TỔNG HỢP KẾT QUẢ NGHIÊN CỨU KHOA HỌC

ĐỀ TÀI CẤP BỘ

PHƯƠNG PHÁP VÀ MÔ HÌNH DỰ BÁO NGẮN HẠN ĐỂ DỰ BÁO CÁC CHỈ TIÊU THỐNG KÊ XÃ

Đơn vị thực hiện: Viện Khoa học Thống kê

Chủ nhiệm: CN Lê Văn Dụy Phó Chủ nhiệm: CN Phan Thị Ngọc Trâm

Th.S Nguyễn Thị Thu Huyền Thư ký: CN Đào Ngọc Minh Nhung

9509

HÀ NỘI, NĂM 2010

DANH MỤC TỪ VIẾT TẮT

DS HĐKT: Dân số hoạt động kinh tế

HTCTTKQG: Hệ thống chỉ tiêu thống kê quốc gia

KHHGĐ: Kế hoạch hóa gia đình

LHQ: Liên hợp quốc

LHPNVN: Liên hiệp phụ nữ Việt Nam

SAS: Phần mềm thống kê SAS

MỤC LỤC

 

MỞ ĐẦU 4  

PHẦN MỘT: TỔNG QUAN VỀ DỰ BÁO THỐNG KÊ VÀ CÁC PHƯƠNG PHÁP DỰ BÁO CÁC CHỈ TIÊU THỐNG KÊ XÃ HỘI 7  

I TỔNG QUAN VỀ DỰ BÁO THỐNG KÊ 7  

1.1 Khái niệm, định nghĩa dự báo 7

1.2 Khả năng của dự báo 7

1.3 Mức độ tin cậy của các dự báo 7  

1.4 Các cách dự báo 9  

1.5 Đo lường mức độ thành công và thất bại của dự báo 111  

1.6 Phương pháp phân tích đặc điểm của các phương pháp dự báo 122  

1.7 Các tính chất đặc biệt của dữ liệu có ảnh hưởng nhiều nhất đến kết quả dự báo 133  

1.8 Các khó khăn chủ yếu gặp phải trong quá trình dự báo 144  

1.9 Các phương án khắc phục khó khăn 144  

II CÁC PHƯƠNG PHÁP DỰ BÁO CÁC CHỈ TIÊU THỐNG KÊ XÃ HỘI 188  

2.1 Các loại dự báo 188  

2.2 Các phương pháp dự báo 199  

2.3 Cách tiếp cận kinh tế lượng đối với dự báo 26  

2.3.1 Các dự báo ngắn hạn 26 

2 3.2 Các dự báo dài hạn 331 

2.4 Độ chính xác của dự báo 32  

2 5 Kinh nghiệm dự báo bằng các mô hình kinh tế lượng vĩ mô: những bài học tổng quát 39  

PHẦN HAI: CÁC CHỈ TIÊU THỐNG KÊ XÃ HỘI VÀ LỰA CHỌN CÁC CHỈ TIÊU THỐNG KÊ XÃ HỘI CHO DỰ BÁO 43  

I TỔNG QUAN VỀ CÁC CHỈ TIÊU THỐNG KÊ XÃ HỘI Ở VIỆT NAM 43  

II THỰC TRẠNG SỐ LIỆU CÁC CHỈ TIÊU THỐNG KÊ XÃ HỘI Ở VIỆT NAM CŨNG NHƯ ĐỀ XUẤT DANH SÁCH CÁC CHỈ TIÊU THỐNG KÊ XÃ HỘI CHỦ YẾU ĐỂ TIẾN HÀNH DỰ BÁO NGẮN HẠN 44  

III LỰA CHỌN CÁC CHỈ TIÊU THỐNG KÊ XÃ HỘI CHO DỰ BÁO 54  

3.1 Nguyên tắc lựa chọn các chỉ tiêu thống kê xã hội cho dự báo 54  

3.2 Đề xuất các chỉ tiêu thống kê xã hội chủ yếu để tiến hành dự báo ngắn hạn: 55  

PHẦN BA: MỘT SỐ PHƯƠNG PHÁP DỰ BÁO VÀ KẾT QUẢ DỰ BÁO CHO MỘT SỐ CHỈ TIÊU THỐNG KÊ XÃ HỘI 58  

I DỰ BÁO CHO CÁC CHỈ TIÊU THỐNG KÊ DÂN SỐ 58  

1.1 Dự báo dân số theo dãy số thời gian 58  

1.2 Phương pháp dự báo thành phần 60  

1.3 Quy trình dự báo theo phương pháp thành phần 661  

II CÁC PHƯƠNG PHÁP DỰ BÁO LỰC LƯỢNG LAO ĐỘNG 63  

III CÁC PHƯƠNG PHÁP DỰ BÁO TỶ LỆ THẤT NGHIỆP VÀ SỐ NGƯỜI THẤT NGHIỆP 64  

IV DỰ BÁO THU NHẬP HỘ GIA ĐÌNH VÀ CHỈ SỐ GIÁ TIÊU DÙNG (TỶ LỆ LẠM PHÁT) 66  

4.1 Dự báo thu nhập hộ gia đình 66  

4.2 Dự báo chỉ số giá tiêu dùng 68  

V KẾT QUẢ DỰ BÁO MỘT SỐ CHỈ TIÊU THỐNG KÊ XÃ HỘI 69  

5.1 Kết quả dự báo dân số năm 2014, 2019 69  

5.1.1 Về quy mô và tốc độ tăng dân số 69 

5.1.2 Về cơ cấu dân số 771 

5.2 Kết qủa dự báo lao động 73  

5.2.1 Dự báo lao động đang làm việc hàng năm sử dụng phương pháp dãy số thời gian 73  

5.2.2 Dự báo dân số hoạt động kinh tế theo giới tính và nhóm tuổi 75 

5.3 Dự báo tỷ lệ và số người thất nghiệp 77  

5.3.1 Dự báo tỷ lệ thất nghiệp 77 

5.3.2 Dự báo số người thất nghiệp 79 

5.4 Kết qủa dự báo tỷ lệ lạm phát 80  

5.5 Kết qủa dự báo thu nhập bình quân một đầu người 83  

5.5.1 Dự báo thu nhập bình quân đầu người theo dãy số thời gian 83 

5.5.2 Dự báo thu nhập bình quân một đầu người theo phương pháp kết hợp giữa dự báo thu thu nhập (GDP) và dự báo dân số (POP) 85 

5.5.3 Dự báo thu nhập bình quân đầu người theo phương pháp hồi quy đa biến 87 

KẾT LUẬN VÀ KHUYẾN NGHỊ 89  

I Kết luận 89  

II Khuyến nghị 991  

III Đề xuất lộ trình thực hiện 991  

TÀI LIỆU THAM KHẢO 92  

MỞ ĐẦU

1 Giới thiệu

Năm 2007-208 Tổng cục Thống kê cho tiến hành nghiên cứu đề tài

“Nghiên cứu ứng dụng các phương pháp dự báo ngắn hạn để dự báo một số chỉ tiêu thống kê kinh tế chủ yếu ở Việt Nam” Kết quả của đề tài này sau đó

được triển khai áp dụng trong thực tế Kết quả ứng dụng dự báo đã được báo cáo cho lãnh đạo cơ quan để tham khảo Do đề tài dự báo năm 2007-2008 chỉ dừng lại ở việc nghiên cứu dự báo các chỉ tiêu thống kê kinh tế mà chưa nghiên cứu dự báo cho các chỉ tiêu thống kê xã hội, mặt khác kết quả của đề này cũng cho thấy có thể ứng dụng dự báo để dự báo cho các chỉ tiêu thống kê xã hội nên lãnh đạo Tổng cục Thống kê đã quyết định triển khai nghiên cứu đề tài

“Nghiên cứu ứng dụng một số phương pháp và mô hình dự báo ngắn hạn để

dự báo các chỉ tiêu thống kê xã hội chủ yếu” Đề tài được giao cho Viện

Khoa học Thống kê chủ trì với sự tham gia của các cán bộ trong và ngoài ngành thống kê

2 Mục tiêu của đề tài

Mục tiêu của đề tài là tìm hiểu và thử nghiệm các phương pháp dự đoán thống kê trong lĩnh vực xã hội Đề tài có sự tham gia của các chuyên gia dự đoán trong và ngoài ngành Báo cáo này trình bày kết quả nghiên cứu tổng hợp

về mặt phương pháp luận cũng như kết quả thử nghiệm của đề tài Báo cáo gồm có ba phần Phần một tổng quan về dự báo các chỉ tiêu thống kê xã hội Phần hai trình bày các chỉ tiêu một số phương pháp dự báo các chỉ tiêu thống

kê xã hội và phần ba trình bày kết quả thử nghiệm dự báo cho một số chỉ tiêu thống kê xã hội

3 Ý nghĩa của đề tài

Ổn định xã hội, nâng cao mức sống của nhân dân là mục tiêu hàng đầu của các quốc gia trên thế giới Để làm được điều đó phải có sự chung tay góp sức của toàn dân và đặc biệt là vai trò lãnh đạo và chỉ đạo của các cơ quan Đảng và Nhà Nước Để Đảng và Nhà nước ra được các quyết định quan trọng trong đời sống xã hội cần phải có thông tin về hiện tại cũng như xu hướng trong tương lai của các hiện tượng xã hội Với lý do này, dự báo mức độ của các chỉ tiêu thống kê xã hội có một ý nghĩa thực tiễn lớn

4 Nội dung của đề tài

Theo kết quả xét duyệt đề cương nghiên cứu của Hội đồng xét duyệt đề cương nghiên cứu, đề tài cần tập trung vào nghiên cứu các nội dung chủ yếu sau:

a Xác định và lựa chọn các chỉ tiêu thống kê xã hội chủ yếu để tiến hành

dự báo ngắn hạn

b Nghiên cứu và lựa chọn một số phương pháp và mô hình dự báo ngắn hạn;

c Đánh giá thực trạng công tác dự báo và thực trạng số liệu dùng cho dự báo ngắn hạn về các chỉ tiêu thống kê xã hội ở Việt Nam

d Thử nghiệm dự báo các chỉ tiêu thống kê xã hội chủ yếu

e Đánh giá khả năng và lộ trình áp dụng một số phương pháp và mô hình dự báo lựa chọn

5 Phương pháp nghiên cứu của đề tài

Phương pháp nghiên cứu của đề tài được xác định là kết hợp phương pháp nghiên cứu lý thuyết với khảo sát thực tiễn, cụ thể như sau:

- Nghiên cứu các tài liệu trong và ngoài nước về lĩnh vực dự báo và dự báo ngắn hạn;

- Hội thảo với các chuyên gia am hiểu về lĩnh vực này;

- Khảo sát thực tiễn để tính toán, phân tích, đánh giá, tổng kết

6 Kết quả nghiên cứu của đề tài

Kết quả nghiên cứu của đề tài là đã đưa ra được các chuyên đề nghiên cứu và một báo cáo tổng hợp, một báo cáo tóm tắt cho đề tài Báo cáo tổng hợp ngoài phần mở đầu còn gồm: Phần một “Tổng quan về dự báo Thống kê và các phương pháp dự báo các chỉ tiêu thống kê xã hội”; Phần hai “Các chỉ tiêu thống kê xã hội và lựa chọn các chỉ tiêu thống kê xã hội cho dự báo”; Phần ba

“Một số phương pháp dự báo và kết quả dự báo cho một số chỉ tiêu thống kê xã hội”; và cuối cùng là phần “Kết luận và khuyến nghị”

PHẦN MỘT

TỔNG QUAN VỀ DỰ BÁO THỐNG KÊ VÀ CÁC PHƯƠNG PHÁP DỰ

BÁO CÁC CHỈ TIÊU THỐNG KÊ XÃ HỘI

I TỔNG QUAN VỀ DỰ BÁO THỐNG KÊ

Dự báo thống kê đã được đưa vào ứng dụng trong thực tế ở Việt Nam từ những năm 1970 Tuy nhiên, dự báo trong thời gian đó chỉ tập trung chủ yếu vào dự tính dân số và lao động cũng như ước tính một số chỉ tiêu thống kê cơ bản Do chưa thấy rõ được vai trò của dự báo cũng như phương pháp sử dụng các kết quả dự báo nên dự báo các chỉ tiêu thống kê kinh tế, đặc biệt là các chỉ tiêu thống kê xã hội chưa được quan tâm đúng mức Trong thời gian gần đây,

do đã thấy được vai trò của dự báo trong đời sống kinh tế, xã hội nên đã có nhiều cơ quan, bộ ngành quan tâm đến vấn đề dự báo

Mục tiêu của phần này là nhằm tổng quan nội dung của dự báo các chỉ tiêu thống kê xã hội Tuy nhiên, để dễ theo dõi các kết quả của đề tài, một số vấn đề chung về dự báo được đề cập Cụ thể là:

+ Khái niệm, định nghĩa dự báo;

+ Khả năng của dự báo và mức độ tin cậy đối với các kết quả dự báo; + Các cách dự báo;

+ Đo lường mức độ thành công và thất bại của các dự báo;

+ Khó khăn chủ yếu gặp phải trong quá trình dự báo

1.1 Khái niệm, định nghĩa dự báo

Theo từ điển bách khoa toàn thư, Dự báo là quá trình thu thập, xử lý số liệu trong quá khứ và hiện tại để xác định xu hướng vận động của các hiện tượng trong tương lai nhờ vào một số mô hình toán học và thống kê

Trong lý thuyết cũng như thực tế của công tác dự báo, dự báo thường được hiểu theo nghĩa là dự đoán các giá trị của một biến nào đó ngoài mẫu số

liệu sẵn có, tức là dự đoán cho các giá trị của biến đó ở những thời gian hoặc

không gian khác Trong thực tế dự báo là một chủ đề rất rộng

Trong lịch sử, hầu hết các phương pháp con người ngày nay nghĩ ra đều

đã được thử nghiệm, và người ta đã sử dụng trên 36 từ khác nhau trong tiếng Anh để nói về hoạt động “tiên đoán” theo nghĩa rộng, đó là tương lai có thể mang lại điều gì Dự báo có liên quan mật thiết với đánh giá chính sách Thực

tế, hầu hết các phương pháp đánh giá chính sách đều dựa trên một loại dự báo đặc biệt nào đó

Do dự báo chỉ đơn giản là một nhận định về tương lai nên người ta có thể dự báo về bất kỳ điều gì, từ chỉ số giá tiêu dùng của tháng tới cho đến tình hình thời tiết ngày mai, từ mực nước biển tính bình quân dâng cao thêm bao nhiêu vào cuối thiên niên kỷ thứ ba, cho tới dân số của trái đất vào ngày hôm

đó, và giá trị của chỉ số VN index tại thời điểm đầu năm 2012 Người ta cũng không khẳng định các kết quả dự báo nhất thiết phải là hữu ích Như vậy việc

dự báo các chỉ tiêu thống kê - xã hội cũng không nằm ngoài quan niệm nêu trên

1.3 Mức độ tin cậy của các dự báo

Mức độ tin cậy của dự báo phụ thuộc vào mức độ tốt xấu của cơ sở xây dựng dự báo Những dự đoán đơn giản không mang lại độ tin cậy cao, những

dự báo dựa trên các cách tiếp cận đã được kiểm định đúng đắn có thể mang lại kết quả tốt hơn Tuy nhiên, ngay cả khi nó được dựa trên các cách tiếp cận này thì nó dường như vẫn chưa thể đảm bảo cho một kết quả sát với thực tế Tương lai quá bất định chính là khó khăn gặp phải trong qúa trình dự báo

Con người gần như không thể khống chế được sự bất định Tuy nhiên, trong chừng mực nhất định, người ta có thể hiểu được tính ngẫu nhiên của các kết cục Trong trường hợp này, người ta gọi đó là “những bất định có thể đo lường được” Điều này khá có ích cho người sử dụng kết quả dự báo Nó cho phép xây dựng khoảng dự báo xung quanh một điểm dự báo: điểm dự báo được xem là xu thế trung tâm hoặc kết cục có nhiều khả năng xảy ra nhất Dạng trình bày phức tạp hơn về yếu tố bất định có thể đo lường được là dự báo theo mật độ; tức là ước lượng phân phối xác suất của các kết cục tương lai có thể xảy ra

1.4 Các cách dự báo

Có nhiều cách để đưa ra dự báo Một trong cách, đó là dựa trên các mô hình chính thống tiến hành phân tích thống kê để từ đó tìm ra quy luật của hiện tượng để dự báo; đó là tiến hành các phân tích thống kê không dựa trên các mô hình tham số; đó là những tính toán không chính thức; đó là phương pháp nội suy giản đơn, tung đồng xu, đoán, và “linh cảm”; Rất khó để đánh giá tần suất sử dụng của mỗi phương pháp trong thực tế, nhưng hầu hết các phương pháp này đều được thực hiện trong cuộc sống hàng ngày của chúng ta Tuy nhiên, nghiên cứu này sẽ tập trung vào các cách tiếp cận thống kê chính thống

Trong thực tiễn công tác dự báo, các nhà khoa học thường sử dụng các phương pháp dự báo như đoán, đánh giá của chuyên gia, ngoại suy, các chỉ số

dự báo sớm, các cuộc điều tra, các mô hình chuỗi thời gian và các hệ phương trình kinh tế lượng

Đoán chủ yếu dựa vào may mắn Đây là phương pháp đòi hỏi ít giả thiết nhất so với các phương pháp khác, nhưng lại không phải là một phương pháp

có mức độ tin cậy cao Thường khi đoán “đúng”, người ta mới công bố kết quả, còn đoán sai lại bị lờ đi Đoán thường có mức độ bất định cao nên không thể

đánh giá mức độ sai số Nếu nhiều người cùng đoán, một số sẽ đúng một cách ngẫu nhiên, nhưng nó khó có thể được coi là một cách tiếp cận khoa học

Đánh giá chuyên gia là dựa trên ý kiến của các chuyên gia để tiếp cận dự báo Tuy nhiên, nó ít có giá trị nếu được sử dụng một cách đơn độc Ngay cả khi những thành công mang tính hệ thống của phương pháp chuyên gia cũng không ai có thể dự đoán liệu chuyên gia có thành công trong lần dự đoán tiếp theo hay không

Ngoại suy sẽ rất tốt nếu như xu thế vẫn tiếp diễn, nhưng điều này cũng không chắc chắn, bởi thường thấy là xu thế của hiện tượng ở các thời điểm khác nhau thường khác nhau Ngoài ra, các dự báo cho kết qủa sát thực nhất khi chúng dự báo sự thay đổi trong xu thế và điều này thì phương pháp ngoại suy thường không làm được

Dự báo dựa trên các chỉ số dự báo sớm đòi hỏi một mối quan hệ ổn định giữa các biến dự báo sớm và các biến sẽ diễn ra sau đó Khi có thông tin về yếu tố đi trước, chẳng hạn có thong tin về đơn đặt hàng khi tiến hành sản xuất, thì khi đấy các chỉ số dự báo sớm sẽ hữu ích Tuy nhiên, nếu không có các thông tin này, việc dự báo dựa vào các chỉ số dự báo sớm sẽ cho thông tin sai lầm

Điều tra người tiêu dùng và các doanh nghiệp có thể mang lại thông tin

về các sự kiện trong tương lai, nhưng nó phải bị phụ thuộc vào việc kế hoạch

có được thực hiện không Một lần nữa lại thấy rằng những thay đổi bất lợi trong môi trường kinh doanh có thể khiến người ta phải đánh giá lại các kế hoạch một cách căn bản bởi vì điều chỉnh lại kế hoạch sẽ đỡ tốn kém hơn

Các mô hình chuỗi thời gian mô tả đặc điểm của dữ liệu trong quá khứ

là phương pháp dự báo khá phổ biến, đây là phương pháp được sử dụng bên cạnh phương pháp hệ phương trình kinh tế lượng (cụ thể là ở dạng đa biến)

Hệ phương trình kinh tế lượng là công cụ chính để dự báo kinh tế Những phương trình này nhằm tìm cách mô hình hóa hành vi của các nhóm tác nhân kinh tế có thể quan sát được (người tiêu dùng, nhà sản xuất, người lao động, nhà đầu tư,…) với giả định về mức độ hợp lý trong hành động của các tác nhân này ở một mức độ vừa phải dựa theo kinh nghiệm lịch sử Lợi thế của các nhà kinh tế khi sử dụng các hệ phương trình kinh tế lượng cho cả nền kinh

tế là kết hợp thống nhất được các kiến thức thực nghiệm và lý thuyết về cách vận hành của nền kinh tế, nó làm cơ sở cho khung phân tích các chiến lược nghiên cứu nhằm nâng cao hiểu biết của chúng ta, nó giúp giải thích cho những thất bại của chúng ta, cũng như đưa ra được các dự báo và lời khuyên về chính sách Các mô hình kinh tế lượng và chuỗi thời gian là những phương pháp dự báo chính trong kinh tế, nhưng “các đánh giá”, “các chỉ số dự báo sớm”, và thậm chí cả những tiên đoán cũng có thể thay đổi các kết quả dự báo

Trong dự báo các chỉ tiêu thống kê xã hội, các mô hình kinh trắc và dãy

số thời gian cũng hay được sử dụng và nhiều khi đem lại kết quả tương đối sát

so với thực tế

1.5 Đo lường mức độ thành công và thất bại của dự báo

Một dự báo có thể được đánh giá là thành công nếu nó gần sát với kết cục thực tế, nhưng đánh giá này còn tuỳ thuộc vào việc đo lường thế nào là gần Đối với người không làm chuyên môn, một dự báo chi tiết mà không chính xác

có thể được xem là thất bại Mặt khác, một dự báo rất chính xác nhưng không

cụ thể cũng vậy Các chuyên gia tán thành quan điểm – “tiêu chuẩn vàng” cho một dự báo thành công là kết quả dự báo phải chính xác, chi tiết và kịp thời

Dự báo thất bại, nhìn chung rất dễ nhận ra: một dự báo được coi là thất bại nếu mức độ không chính xác của nó tương đối lớn so với mức độ chi tiết mà nó đã đặt ra Do vậy, các nhà dự báo bị ép vào thế vừa phải dự báo chính xác và vừa

phải dự báo chi tiết, vì vậy họ cũng sẽ không dự báo với mức độ chi tiết quá cao để tránh thường xuyên có kết quả dự báo không đạt tiêu chuẩn

Trong đánh giá kết quả dự báo, còn dung hai khái niệm khác là “Dự báo không chệch” và dự báo có “phương sai nhỏ” Khái niệm dự báo “không chệch” đồng nghĩa với kết quả dự báo có giá trị trung tâm giống như kết cục được dùng trong cách phân tích kỹ thuật để đo lường độ chính xác, còn khái niệm phương sai nhỏ, chỉ một phạm vi tương đối hẹp xung quanh kết cục đo lường mức độ chi tiết

Ngoài vấn đề về độ chệch và phương sai, các dự báo điểm thường được đánh giá trên nhiều tiêu chí khác như sử dụng thông tin một cách hiệu quả Các

dự báo cũng thường bao gồm cả khoảng dự báo, và đôi khi là mật độ hoàn chỉnh của kết quả dự báo Trong trường hợp như vậy, dự báo được coi là được

xác định một cách đầy đủ Do trong thực tế hiếm khi xảy ra trường hợp chỉ

cần một phương pháp dự báo duy nhất có thể dự báo cho mọi hiện tượng được quan tâm nên các phương pháp dự báo khác nhau thường được đưa ra để so

sánh với nhau sau khi đã có kết quả thực tế Một câu hỏi được đặt ra là liệu việc kết hợp một hoặc một số dự báo lại có tốt hơn một dự báo duy nhất hay không, hay liệu một dự báo có thể bao quát tất cả các thông tin hữu ích có trong các dự báo khác không

1.6 Phương pháp phân tích đặc điểm của các phương pháp dự báo

Các đặc điểm của các phương pháp dự báo có thể được tìm hiểu trong cả thực nghiệm và những ví dụ mô phỏng Người ta thường sử dụng giải tích toán

và các phương pháp số học hoặc sử dụng máy tính để làm việc này Người ta cũng có thể thử nghiệm với các ý tưởng được bàn luận ở trên để đo lường mức

độ thành công hoặc thất bại của các dự báo bằng cách kiểm định các kết hợp của các mô hình dự báo về tính chất bao hàm Các phương pháp dự báo có thể

được so sánh bằng phương pháp Monte Carlo (hay mô phỏng ngẫu nhiên), trong đó người ta sẽ tạo ra dữ liệu ảo và theo đó các mô hình được so sánh với nhau trong các phép thử lặp lại, để từ đó tính ra được những phương pháp này hoạt động ra sao trong một môi trường có kiểm soát về lựa chọn Tuy nhiên, tính phù hợp về mặt thực nghiệm của những kết quả này lại tùy thuộc vào việc các dữ liệu nhân tạo có giống với các đặc điểm của thế giới thực hay không, do vậy nó có thể bị nghi ngờ Phương pháp phân tích này rất hữu ích khi biết đặc điểm thống kê của mẫu lớn và muốn tìm hiểu tính hữu dụng của các kết quả cho các mẫu phù hợp với các nhà nghiên cứu ứng dụng Đây là một ví dụ đơn giản về việc sử dụng phương pháp Monte Carlo trong kinh tế lượng, nó được gọi là tính toán phân phối mẫu nhỏ của các hệ số ước lượng và kiểm định xem hành vi của hệ số nào đã được biết

So sánh các phương pháp dự báo bằng thực nghiệm thường dựa vào quan sát các kết quả của các phương pháp trong nhiều chuỗi thời gian Bởi vì quá trình tạo dữ liệu không nằm trong sự kiểm soát của người nghiên cứu nên người ta biết về nó chưa thật sâu sắc Kết quả của các phương pháp dự báo dựa vào bất kỳ một chuỗi thong tin nào đều có thể phụ thuộc vào đặc điểm riêng của chúng, và do vậy sẽ hạn chế khả năng ứng dụng mang tính khái quát Vì lý

do này nên nhiều chuỗi có thể được so sánh với nhau, và thường các chuỗi được lựa chọn có những đặc điểm chung Điều này có thể dẫn đến một hạn chế

là các kết quả có thể không còn đúng như kỳ vọng khi áp dụng với các chuỗi

thể dẫn đến kết quả dự báo không sát thực (ví dụ điểm ngoặt hay một xu thế) nếu như những đặc điểm này có liên hệ với nhau Một số đặc điểm này có thể cần phải đặc biệt chú ý khi dự báo Vì vậy, các mô hình được xây dựng luôn cố gắng nắm bắt những đặc điểm này, và có nhiều cách tiếp cận đã được đưa ra

Nếu như chúng ta có thể mô hình hóa tính không dừng hoặc đưa nó vào trong dự báo theo một cách có hệ thống thì việc thay đổi giá trị bình quân hay phương sai theo thời gian có thể không còn là vấn đề Do đó, tính không dừng

“nghiệm đơn vị” (dẫn tới việc thay đổi phương sai xu thế) là trọng tâm của nhiều nghiên cứu dù rằng những khái quát quan trọng đã được tìm ra Tuy nhiên, một số nguyên nhân thay đổi khác, ví dụ thay đổi giá trị bình quân, vẫn chưa được mô hình hóa và điều “chúng ta chưa biết rằng chúng ta chưa biết”

có thể vẫn chưa được đưa vào trong một mô hình nào

1.8 Các khó khăn chủ yếu gặp phải trong quá trình dự báo

Một trong những khó khăn chính khi dự báo hiện tượng liên tục phát triển theo thời gian là nó thỉnh thoảng gặp phải những trục trặc, và đôi khi có thể là các cú sốc lớn không thể dự đoán trước được Do vậy, những mối quan

hệ ổn định trước đây giữa các biến sử dụng cho dự báo có thể bị thay đổi, và nếu dùng chúng để dự báo thì có thể dẫn tới những sai lầm dự báo lớn và kéo dài

1.9 Các phương án khắc phục khó khăn

Các khoảng dự báo cho biết mức độ bất định của dự báo, nhưng nó chỉ

có thể phản ánh sự bất định đã biết – rút ra từ ước lượng mô hình, giả định các

cú sốc tương lai giống với các cú sốc trong quá khứ - trong khi đó các thành phần xác định có thể thay đổi ngoài dự kiến Như đã đề cập, do không biết những yếu tố không biết nên rất khó có thể tính đến yếu tố bất định chưa biết này

Một ví dụ đơn giản có thể làm sáng tỏ vấn đề này Giả sử một biến cần

dự báo trong thực tế được tạo ra bằng phương trình sau:

(1) Trong đó là một chuỗi các biến ngẫu nhiên phân phối chuẩn và độc lập với trung bình bằng 0 và phương sai , được viết là Tại thời kỳ T, người ta biết giá trị biến này sẽ nhận trong thời kỳ tiếp theo (T+1) sẽ

là cộng với giá trị thực tế của cú sốc ngẫu nhiên Ở đây, chúng

ta biết phân phối của cú sốc đó, do vậy chúng ta biết sẽ phân phối chuẩn xung quanh giá trị bình quân là với phương sai là Do vậy, chúng

ta có thể xây dựng khoảng tin cậy cho giá trị dự báo trung tâm

trong khoảng tin cậy sau:

, Trong đó là giá trị để cho xác suất mà biến phân phối chuẩn nhỏ hơn

nó bằng Khoảng này cho biết nếu có R trường hợp { } xảy ra, khi đó

sẽ có (1-α)×R trường hợp trong số đó, giá trị thực tế xảy ra sẽ nằm trong khoảng quanh giá trị dự báo Do mức độ bất định trong dự báo điểm được biết chính xác, vậy vấn đề nằm ở đâu?

Thứ nhất, trong thực tế, không bao giờ biết giá trị của các tham số trong

mô hình, {δ,φ, }, do vậy chúng sẽ được thay thế bằng cách hệ số ước lượng Tuy nhiên, tính bất định tăng thêm ở bước này là một phần trong tính bất định

đã được biết: do biết rằng sẽ xuất hiện bất định này nên có thể tính chúng vào trong dự báo Thứ hai, có thể không biết chắc chắn về dạng mô hình vì vậy có thể có những phản ứng trễ xa hơn so với những gì được đưa vào trong (1), hoặc

có thể cần sử dụng dạng log thay vì giá trị tuyệt đối,… Vấn đề bất định có thể nảy sinh từ việc chưa biết dạng chỉ định mô hình khó khắc phục hơn Vấn đề thứ ba là trường hợp tương lai không còn giống với quá khứ, chẳng hạn như

với t > T, trong đó hoặc µ ≠ 0 và/hoặc Lưu ý rằng µ ≠

0 tương đương với việc thay đổi δ thành δ + µ Tất nhiên, không có lý do xác đáng nào để giả định rằng dạng phân phối của cú sốc này sẽ không thay đổi Thay đổi giá trị bình quân sẽ ảnh hưởng tới tính chính xác của dự báo, và thay đổi phương sai của nhiễu có nghĩa là sẽ hoặc ước lượng quá cao hoặc ước lượng quá thấp mức độ bất định xung quanh dự báo điểm Thay đổi phân phối sai số sẽ gây ra tính không chính xác trong dự báo mật độ

Tuy nhiên, có một số cách để tránh gặp phải những sai lầm dự báo mang tính hệ thống trong các nền kinh tế gặp phải các cú sốc lớn, đột ngột ngoài dự kiến Khi các cú sốc không được dự kiến trước, có một mẹo để tránh những sai

số lớn trong dự báo đã được công bố trước khi xảy ra các cú sốc này Cụ thể là với việc không thể dự báo trước cú sốc thì cần phải phỏng theo nếu cú sốc xảy

ra để tránh hệ quả là những dự báo sai lầm Một số mô hình có khả năng thích ứng nhanh hơn so với các mô hình khác Ở đây không thể giải thích chi tiết tất

cả các mô hình có liên quan trong phần này, nhưng có thể đưa ra một ví dụ minh hoạ như sau: những thay đổi trong giá trị bình quân của các kết hợp dừng của các biến dường như là một nguyên nhân chính cho việc dự đoán sai trong phần lớn nhóm mô hình “cơ chế hiệu chỉnh cân bằng véctơ” được sử dụng khá rộng rãi, trong khi đó véctơ tự hồi quy sai phân bậc nhất (và thậm chí bậc hai) vững hơn với những thay đổi xác định, và thích ứng với môi trường thay đổi hơn Ngay cả khi một dạng mô hình đã cho không thể tự điều chỉnh nhanh thì cũng có những công cụ để đẩy nhanh quá trình này: ví dụ “hiệu chỉnh hệ số chặn” có thể được sử dụng để đưa mô hình trở lại xu thế và do vậy sẽ làm giảm

bớt sai lầm hệ thống Do vậy, sẽ có một số cách để khắc phục ít nhất một phần nào đó những vấn đề nêu trên

Để làm sáng tỏ những vấn đề này, giả sử rằng trong (1), hệ số chặn δ thay đổi thành δ + µ tại T+1, và để đơn giản hóa, φ = 0, như vậy quá trình này

sẽ thành:

Trong đó 1(t>T) nhận giá trị bằng 1 khi t > T và không trong trường hợp còn lại Thời kỳ dự báo T+2 tại thời điểm T+1 mà không nhận ra giá trị bình quân đã thay đổi, tính trung bình chúng ta sẽ mắc sai lầm bằng µ trong khi đó nếu chúng ta sử dụng “chỉ số dự báo bước ngẫu nhiên”, tức là thì sai số bình quân sẽ bằng không! Ngược lại, nếu chúng ta đánh giá lại dự báo vào T+2 đúng bằng sai lầm mà chúng ta mắc phải khi dự báo thời kỳ T+1 thì sai số bình quân sẽ lại bằng không Nhưng cái giá phải trả là tăng được mức

độ chính xác sẽ làm giảm mức độ chi tiết Đơn giản như sau: khoảng tin cậy sẽ bao quát kết cục thực sự diễn ra trong (1-α)×100% số lần sẽ xấp xỉ

y T T , nó lớn gấp hai lần so với dự báo trước 1 thời kỳ khi sử dụng

mô hình hiệu chỉnh và không có sự thay đổi của giá trị bình quân

Có nhiều nghiên cứu về các tín hiệu cảnh bảo sớm Các nghiên cứu này

cố gắng đưa ra các phương pháp dự doán trước những thay đổi bằng cách quan sát nó trong những khu vực thường đi tiên phong, hoặc nghiên cứu với các hiện tượng có tần suất xuất hiện cao (ví dụ dữ liệu tuần khi tần suất thông thường là quý) Tuy nhiên, nhiều vấn đề cũng bắt đầu nảy sinh trong khoa học xã hội

Thứ nhất, IMF có thể dự đoán việc xuất hiện các cuộc khủng hoảng tiền

tệ, và sau đó có các hành động ngăn chặn và như vậy sẽ giúp cho các kết quả

dự báo không xảy ra

Thứ hai, ví dụ người ta có thể dự báo sẽ có một cuộc khủng hoảng và giữ bí mật về nó Khi đó bạn sẽ tạo ra một cỗ máy kiếm tiền: hành động của bạn có thể thay đổi kết cục không giống như những gì được dự đoán ban đầu, nhưng có thể cũng gây ra một cuộc khủng hoảng đúng như ước nguyện bằng hành động của mình, mà đáng lẽ cuộc khủng hoảng này cũng có thể không xảy

ra Do vậy có những hạn chế về những yếu tố mà chúng ta kỳ vọng có thể dự báo được

II CÁC PHƯƠNG PHÁP DỰ BÁO CÁC CHỈ TIÊU THỐNG KÊ

XÃ HỘI

2.1 Các loại dự báo

Trên các góc độ khác nhau người ta phân dự báo ra thành các loại khác nhau Dựa vào thời kỳ nghiên cứu và tầm dự đoán người ta chia dự báo ra thành hai loại Loại thứ nhất là dự báo ngắn hạn và loại thứ hai là dự báo dài hạn

Dự báo ngắn hạn thường được coi là dự báo cho các chuỗi số liệu có thời

kỳ nghiên cứu dưới một năm (tuần, tháng, quý,…) hoặc có tầm dự báo từ 1 đến

5 thời kỳ tiếp theo Tuy nhiên, các quy định này cũng chỉ là tương đối, vì vậy không câu nệ khi có người gọi khác đi so với cách xác định loại dự báo trên

Trên một góc độ khác, có thể chia các phương pháp để thực hiện dự báo thành 2 nhóm chính:

(i) Nhóm thứ nhất, dự báo trên cơ sở giả định về sự phụ thuộc của biến

dự báo vào số liệu quá khứ với các phương pháp thường sử dụng như ngoại

suy dựa trên phát hiện xu hướng theo thời gian, AR, MA, ARMA, ARIMA, ARDL v.v…;

(ii) Nhóm thứ hai, dự báo dựa trên cơ sở sử dụng các mô hình mô tả các quan hệ cơ cấu

Nhóm phương pháp thứ nhất đơn giản hơn về kỹ thuật tính toán cũng như yêu cầu về số liệu song không cho phép dự báo được tác động của các thay đổi chính sách tạo nên sự thay đổi về các quan hệ cơ cấu

2.2 Các phương pháp dự báo

Nhiều chỉ tiêu thống kê vừa có đặc trưng là chỉ tiêu thống kê kinh tế và vừa có đặc trưng là chỉ tiêu thống kê xã hội Vì vậy nhiều phương pháp dự báo không những được áp dụng trong lĩnh vực thống kê kinh tế mà còn được áp dụng cả cho lĩnh vực thống kê xã hội và ngược lại Dưới đây là các phương pháp dự báo cơ bản được áp dụng cho dự báo các chỉ tiêu thống kê nói chung Trong phần tổng quan ở trên đã điểm qua các phương pháp dự báo chính:

1 Đoán, “quy tắc ngón tay cái” hoặc “các mô hình không chính thức”; 2 Đánh giá của chuyên gia; 3 Ngoại suy; 4 Các chỉ số dự báo sớm; 5 Các cuộc điều tra; 6 Các mô hình chuỗi thời gian và; 7 Các hệ kinh tế lượng

Trong mục này sẽ tập trung vào trình bày về các phương pháp dự báo và một số nội dung cơ bản của dự báo theo phương pháp kinh tế lượng

2 2.1 Dự báo điểm và dự báo khoảng

Giả sử cần dự báo véc tơ các biến y (có thể gồm một hệ thống các chỉ tiêu thống kê xã hội nào đó), bài toán dự báo điển hình là bài toán dự đoán các giá trị đối với y tại thời gian tương lai T+h, khi cho T quan sát y1, y2,…, yT, và

có thể các quan sát của một vài biến khác Thời gian thường được lấy là hiện tại và khoảng thời gian dương h được gọi là tầm dự báo Một dự báo điểm là:

yT+h (3) Biểu thị một dự đoán các giá trị của y tại thời điểm T+h Trong chừng mực mà các giá trị đúng của các biến tại thời gian này, yT+h, được xác định theo một phân phối xác suất thì dự báo điểm (3) nói chung được lấy là giá trị kỳ vọng của phân phối như đã ước lượng tại thời gian T từ các số liệu y1, y2,…, yT Giá trị kỳ vọng này có thể đặt trong ngoặc nếu ta dự báo bằng khoảng dự báo với mức độ (khoảng) tin cậy nào đó – thí dụ, khoảng tin cậy 90%:

[yˆT+h,yˆT+h]0 , 90 (4) được định nghĩa bằng:

(yˆT+h ≤ y T+h ≤ yˆT+h )= 0 , 9

P (5) Khoảng dự báo này được minh họa trong Hình 1 cho trường hợp vô hướng của dự đoán một biến đơn y Do tầm dự báo càng xa, mức độ không chắc chắn càng cao, nên khoảng dự báo cũng rộng ra theo thời gian Độ mở rộng của khoảng dự báo sẽ tạo nên một dự báo “ngắn hạn” hoặc “dài hạn”: dự báo dài hạn có độ mở lớn hơn dự báo ngắn hạn Như vậy, một dự báo ngắn hạn

có thể gắn với tầm dự báo một quý hoặc một năm, còn một dự báo thời tiết ngắn hạn có thể gắn với tầm dự báo một ngày Tương tự, một dự báo dài hạn

có thể có bậc 5 năm Thang thời gian dự báo được đo bằng những đơn vị thích hợp (thí dụ, quý của năm đối với các dự báo kinh tế và ngày đối với các dự báo thời tiết) Khi đã cho các đơn vị này, dự báo ngắn hạn ngắn nhất là yT+1, trong khi yT+h đối với h đủ lớn biểu thị một dự báo dài hạn

Hình 1 Dự báo điểm và dự báo khoảng

α

=

≥

+ ) (y y0

Ở đây y0 được chỉ định và α là xác suất xảy ra của sự kiện Một thí dụ là

dự báo thời tiết dựa vào xác suất mưa Loại dự báo này không được sử dụng trong kinh tế học rộng rãi như các dự báo điểm và dự báo khoảng, nhưng chúng có thể được sử dụng rộng rãi hơn trong tương lai khi phương pháp luận

để xây dựng và đánh giá chúng được phát triển

Người ta thường nghĩ rằng, dự báo là kiểm định một mô hình kinh tế lượng cụ thể Tuy nhiên, trong vài chục năm gần đây, người ta công nhận rằng,

khoảng dự báo

dự báo theo đường hoành (tầm dự báo)

y

h T

yˆ +

h T

ít nhất dự báo cũng bao hàm nhiều nghệ thuật như khoa học, cho nên khó mà đặt những tiêu chuẩn tới hạn cho việc chấp thuận hay bác bỏ một mô hình kinh

tế lượng chỉ trên khả năng dự báo của nó Hơn nữa, luận điểm này được củng

cố thêm khi người ta công nhận rằng không có sự thoả thuận chính xác nào về thước đo khả năng dự báo nếu các mục tiêu của người đánh giá không duy nhất

Có một vài cách tiếp cận khác nhau đối với dự báo Mục này giới thiệu những cách tiếp cận khác với cách tiếp cận kinh tế lượng, và mục tiếp theo trình bày cách tiếp cận kinh tế lượng Tuy nhiên, dễ thấy là cách tiếp cận kinh

tế lượng bao quát hơn nên một số trong các cách tiếp cận trình bày ở đây được coi như những trường hợp đặc biệt của nó

Cách tiếp cận lâu đời nhất của dự báo là cách tiếp cận theo ý kiến chuyên gia, trên cơ sở những đánh giá am hiểu của các chuyên gia am tường về hiện tượng được nghiên cứu Một ví dụ điển hình của cách tiếp cận này là dựa vào kết quả của các cuộc điều tra về dự tính, ví dụ như những cuộc điều tra về

dự tính đầu tư tư bản, dự tính về tiêu dùng, trong đó người ta yêu cầu chính những người ra quyết định dự báo những hành động tương lai của họ Nhìn chung, những nhân tố liên quan đến dự báo như ngân sách và lượng hàng hoá bán được, và những điều kiện tín dụng, thường không được xét đến một cách

cụ thể trong cách tiếp cận dự báo này mà thường chỉ được cân nhắc và đánh giá chủ quan bởi chuyên gia

Một biến thể hiện đại của phương pháp tiếp cận dự báo chuyên gia là phương pháp Delphi Ở phương pháp nay người ta tập hợp đánh giá của một nhóm chuyên gia để đưa ra kết quả dự báo Mỗi chuyên gia được hỏi ý kiến và rồi những dự báo của họ được trình bày dưới dạng thống kê tóm tắt cho mọi người Việc trình bày những ý kiến trả lời này thường được tiến hành giấu tên không có sự tiếp xúc mặt đối mặt (chẳng hạn thông qua câu hỏi bằng thư) để tránh những vấn đề tương tác trong nhóm nhỏ có thể tạo nên những sai lệch

nhất định trong kết quả Sau đó người ta yêu cầu các chuyên gia duyệt xét lại những dự báo của họ trên cơ sở tóm lược của tất cả các dự báo và có thể những thông tin bổ sung thêm Quá trình này được lặp lại cho đến khi nhóm chuyên gia đạt được sự thống nhất ý kiến

Một cách tiếp cận hình thức hơn là dự báo dựa trên tính ỳ: dựa trên giả thiết hệ thống có một động lượng nào đó, với tương lai là bản sao của quá khứ Loại đơn giản nhất là dự báo theo nguyên trạng: dự báo giá trị hiện tại của biến

số sẽ tiếp tục được chuyển qua tương lai Giả sử cần dự báo một biến đơn theo cách tiếp cận dự báo theo nguyên trạng và dự báo này là dự báo điểm Ta sẽ có:

Cách tiếp cận dự báo này còn được gọi là dự báo “ngây thơ I” Một thí

dụ về loại dự báo này là ta dự báo rằng thời tiết ngày mai trùng với thời tiết hôm nay Dự báo này có xu hướng đúng với một tỷ lệ thời gian rất cao

Một loại đơn giản khác của dự báo dựa trên tính ỳ là dự đoán có sự thay đổi như nhau từ thời kỳ này sang thời kỳ tiếp theo, tức là:

1 1

) (

ˆ , / ) (

/ ) ˆ

1 1

1 1

− +

T T T T

y

y y y hay y

y y y y y

(9) Một dạng tổng quát của dự báo dựa trên tính ỳ là mô hình tự hồi quy, với phương trình dự báo sau:

j T j j

T a y

=

+ =∑0 1 ˆ

(10)

Ở đây giá trị dự báo thu được từ một tổ hợp tuyến tính có trọng số của tất cả các giá trị quá khứ của biến Các hệ số aj có thể được chỉ định tiên nghiệm như trong (7) và (8) hoặc chúng có thể được ước lượng bằng thống kê

Một cách tiếp cận dự báo khác là ngoại suy xu thế dựa trên cơ sở những hàm đơn giản của thời gian, thí dụ hàm xu thế tuyến tính:

(11) Dựa vào hàm này, giá trị dự báo tại T+1 là:

) 1 (

ˆ +1 =a+b T +

Ở đây a và b hoặc là được mặc nhiên công nhận hoặc là được ước lượng bằng thống kê Thực tế, mô hình này là một trường hợp đặc biệt của dự báo dựa trên tính ỳ (8) trên cơ sở lượng thay đổi tuyệt đối không đổi từ thời kỳ này sang thời kỳ khác, ở đây:

b y y y

yˆT+1− T = T − T−1 = (13) Tương tự, xu thế hàm mũ

( ) ˆ

y y

T

T T

T

T T

(16) Lấy logarit của (14) có:

t A

y t = ln +α

ln (17)

do đó dự báo tại thời gian T+h có thể được viết

lny∧T+1= lnA+α(T +h), (18)

Ở đây α là tốc độ thay đổi của y Đây là mô hình được dùng để dự báo tăng trưởng Thí dụ, khi sử dụng để dự báo ngược theo thời gian, mô hình dự đoán rằng y = 1 khi

ln yˆT+h = ln A + α (T+h) = 0, (19) nghĩa là khi tầm h bằng h*, ở đây

T + h* = - ln A/α (20) thu được từ ước lượng A và α

Còn một cách tiếp cận khác đối với dự báo là phương pháp các chỉ báo sớm Để sử dụng cách tiếp cận này, một dự báo đối với y dựa trên cơ sở một biến x có liên quan, gọi là chỉ báo sớm, trong đó y tại thời gian t phụ thuộc vào

x tại thời gian trước đó T-θ Như vậy,

) ( −θ

) ( + −θ

+ = ∆

∆y T h g x T h (23) được sử dụng để dự đoán các điểm ngoặt, thí dụ như dự báo sự suy sụp dựa vào một biến báo hiệu sự suy sụp sau đó của một biến khác Các chỉ báo dẫn đường được chọn trên cơ sở ghi chép trong dự đoán các điểm ngoặt quá

khứ (có vai trò dẫn đường) Những thí dụ về các chỉ báo dẫn đường đối với mức tổng quát trong hoạt động kinh tế bao gồm giờ làm việc trong một tuần, những tập đoàn mới, những thất bại kinh doanh, giá bán buôn, giá trên thị trường chứng khoán, những trật tự mới và những hợp đồng xây dựng, tất cả các biến này nói chung dẫn đường cho hoạt động kinh tế tổng thể khoảng xấp xỉ sáu tháng Như vậy, sự suy sụp của một số trong các biến này báo hiệu một sự suy sụp trong những điều kiện kinh doanh chung trong thời gian sáu tháng Một thí dụ khác là cung tiền tệ, trong đó một thay đổi trong tốc độ tăng trưởng cung tiền tệ nói chung dẫn đến một thay đổi trong tốc độ tăng trưởng của thu nhập quốc gia trong 9 đến 12 tháng

2.3 Cách tiếp cận kinh tế lượng đối với dự báo

Một cách lý tưởng nếu mô hình (24) được dựa trên lý thuyết nào đó và được biểu hiện bằng các phương trình dạng cấu trúc Đôi khi, để chọn mô hình, đặc biệt là để chọn các biến ngoại sinh người ta sử dụng các số liệu (thí dụ, sử dụng số liệu và phân tích tương quan giữa các biến để chọn biến ngoại sinh) Tuy nhiên, cách tiếp cận này cũng có thể gặp phải trường hợp giữa các biến có tương quan giả tạo (thí dụ, tương quan của tỷ suất sinh với số lượng cò, hoặc tương quan giữa các biến có cùng bản chất chẳng hạn như biến đầu tư với biến tiết kiệm có cùng một bản chất) Cách tiếp cận như thế có thể cho các ước lượng ăn khớp tốt, bao gồm các giá trị cao, nhưng không cho kết quả dự báo tốt Khi đã chọn được mô hình kinh tế lượng, được thể hiện bằng các phương trình dạng rút gọn, phương trình dự báo ngắn hạn cho kỳ tiếp theo sẽ là:

1 2 1 1

∧

→ + ∏

T

z Nó là kết quả dự đoán dựa trên giá trị tương lai của các biến ngoại sinh z T→+1 và các hệ số ước lượng được trong ∏∧2 Thành phần này phản ánh sự phụ thuộc của các biến nội sinh vào các biến ngoại sinh của mô hình Vì z→T là các biến ngoại sinh, nên bản thân chúng được

xác định trên cơ sở các nhân tố khác không được đưa ra trong mô hình kinh tế lượng Vì vậy, hợp lý hơn cả là các biến này phải được dự báo trên cơ sở các nhân tố khác với các nhân tố trong chính mô hình này, tức là chính z→T+1 lại là kết quả dự báo từ một mô hình kinh tế lượng khác Thí dụ, một số công ty lớn

dự báo lượng hàng bán được, việc làm, v.v… của họ trên cơ sở một mô hình kinh tế lượng đặc biệt cho công ty hoặc ngành của họ Một mô hình như thế thường coi các biến kinh tế vĩ mô chủ yếu như thu nhập cá nhân hoặc chi tiêu đầu tư là biến ngoại sinh Do đó, để dự đoán lượng hàng sẽ bán được cần tiến hành dự báo các biến kinh tế vĩ mô chủ yếu trên và như vậy các biến ngoại sinh này trở thành biến nội sinh của các mô hình kinh tế lượng vĩ mô khác Nhiều khi, bản thân một số biến ngoại sinh nào đó của mô hình kinh tế lượng vĩ mô được dự đoán trên cơ sở những cuộc điều tra về dự tính đối với hành vi tiêu dùng các quyết định chi tiêu tư bản Ngoài các output của mô hình kinh tế lượng khác và các điều tra về dự tính, các giá trị tương lai của các biến ngoại sinh z T→+1đôi khi thu được trên cơ sở ý kiến chuyên gia hoặc ngoại suy các xu thế quá khứ của các biến này Thành phần thứ ba trong (25) là thành phần đánh giá u→T+1, được gọi là nhân tố bổ sung có thể diễn giải như là ước lượng của các giá trị tương lai của nhiễu (thành phần ngẫu nhiên), hay một cách khác đi, như

là những điều chỉnh của các hệ số chặn trong mỗi phương trình dạng rút gọn Các nhân tố bổ sung này làm dự báo kinh tế lượng hoàn chỉnh hơn : thành phần thứ nhất trong (25) thâu tóm ảnh hưởng của các biến nội sinh quá khứ; thành phần thứ hai thâu tóm ảnh hưởng của tất cả các biến ngoại sinh được đưa vào

mô hình; thành phần thứ ba, các nhân tố bổ sung, thâu tóm ảnh hưởng của tất

cả các nhân tố khác, kể cả các biến bị bỏ sót trong mô hình Các nhân tố bổ sung dựa trên cơ sở những đánh giá về các nhân tố không được chứa tường minh trong mô hình Thí dụ, trong mô hình kinh tế lượng vĩ mô có thể không tính đến các hoạt động đình công, nhưng nếu đình công có thể nảy sinh trong

kỳ dự báo thì những dự báo về sản xuất nên được điều chỉnh xuống một cách thích hợp Nhiều nhân tố khác có thể không được đưa vào trong mô hình vì chúng hiếm xảy ra hoặc vì khó thu được các số liệu, nhưng điều đó không có nghĩa là buộc phải bỏ qua chúng trong quá trình dự báo Thực vậy, thật là thiếu sót nếu không xem xét thích đáng các nhân tố này chỉ vì chúng không có mặt trong mô hình Theo nghĩa đó, dự báo bằng một mô hình kinh tế lượng không đơn giản là một bài tập máy móc mà là sự pha trộn những xem xét khách quan

và chủ quan

Dự báo kinh tế lượng trong (25) được gọi là dự báo ex-ante (có trước - ngoại suy) bởi vì nó đúng là một dự báo trước khi sự kiện xảy ra Trái lại, dự báo ex-post (có sau - nội suy), thực hiện sau sự kiện, thay các giá trị dự đoán của các biến ngoại sinh z T→+1bằng các giá trị thực z T→+1của nó và thay các nhân tố

bổ sung uT+1 bằng giá trị kỳ vọng zero của các số hạng nhiễu ngẫu nhiên Như vậy dự báo ex-post là:

2 1 1

1 ˆ ˆ ˆ

ˆˆT+ = y T∏ +z T+ ∏

y (26) Quan hệ giữa dự báo ex-ante yT+1và dự báo ex-post yT+1là:

yˆˆT+1 = yˆT+1 + (z T+1 −zˆT+1 ) ∏ˆ 2 −uˆT+1 (27) nên yˆˆT+1 có thể thu được từ yˆT+1 sau khi quan sát zT+1 bằng cách điều chỉnh cả đối với sai số trong dự đoán các biến ngoại sinh (z T+ 1 −zˆT+ 1) lẫn các nhân tố bổ sung uˆT+1

Trở lại dự báo tất định ex-ante (25), các cách tiếp cận khác nhau đối với

dự báo giới thiệu trong mục trước tất cả có thể diễn giải theo thuật ngữ của dự báo kinh tế lượng Dự báo theo ý kiến chuyên gia là trường hợp đặc biệt trong

đó không có phần hệ thống, do đó dự báo có thể được biểu thị như dự báo thuần tuý đánh giá:

Thực tế, các dự báo kinh tế lượng như trong (25) có một số ưu việt so với các cách tiếp cận khác Thứ nhất, tiếp cận kinh tế lượng cho ta một cấu trúc hữu ích để xem xét các nhân tố khác nhau có thể, như các giá trị quá khứ của các biến dự đoán, các giá trị của các biến liên quan và các nhân tố khác Thứ hai, nó đủ rộng để cho phép xử lý nhiều xem xét khác nhau, kể cả việc tổng hợp các nhân tố hệ thống và đánh giá khác nhau Thứ ba, nó dẫn tới dự báo các biến có liên quan tương hợp với nhau, vì chúng tất cả phải thoả mãn các đòi hỏi của mô hình, đặc biệt sự nhận diện nó Thứ tư, nó dẫn tới các dự báo có điều kiện trên các giá trị dự đoán của các biến ngoại sinh tương lai zˆT+1, các

nhân tố bổ sung uˆT+1, các ma trận hệ số ∏ ˆ 1 và ∏ ˆ 2 và các giá trị hiện tại của các biến nội sinh yT Do đó có thể phân tích tầm quan trọng tương đối của mỗi yếu

tố này của dự báo và kiểm định độ nhạy của dự báo trước những thay đổi trong mỗi yếu tố, đặc biệt khi có thêm số liệu mới Thứ năm, có thể tái tạo một dự báo liên quan – dự báo ex-post (26) Thứ sáu, và có lẽ quan trọng nhất, nó có lịch sử tốt về độ chính xác so với các cách tiếp cận khác mà mỗi trong chúng

có thể diễn giải như sự nhấn mạnh một khía cạnh của dự báo kinh tế lượng nhưng không kể đến các khía cạnh khác Thực tế, những dự báo tốt nhất nói chung kết hợp một mô hình kinh tế lượng, kể cả các chỉ báo dẫn đường, các dữ liệu dự tính và phân tích chuỗi thời gian với các nhân tố đánh giá, biểu thị bởi các nhân tố bổ sung

2 3.2 Các dự báo dài hạn

Các dự báo dài hạn là các dự báo mà đối với chúng tầm dự báo, h, lớn hơn một mức định trước h0 nào đó Như vậy dự báo điểm dài hạn là:

h T

yˆ + , h > h0, (30) bao gồm các giá trị dự đoán của tất cả các biến nội sinh h thời kỳ về sau Mức h0 phụ thuộc chủ yếu vào bản chất của các biến dự báo, đặc biệt là tốc độ khoảng dự báo “mở rộng ra” theo thời gian Nó cũng phụ thuộc vào mục đích của dự báo Ví dụ, trong dự báo tổng thu nhập quốc nội, với các mục đích nhất định, các dự báo dài hạn có thể có bậc tám năm, trong khi với các mục đích khác chúng có thể có bậc tám quý Tuy nhiên, thường thì trong khung cảnh này các dự báo dài hạn đề cập đến tầm lớn hơn 5 năm

Các dự báo dài hạn có thể thu được bằng cách phát triển liên tiếp các dự báo ngắn hạn – nghĩa là bằng việc lặp lại các dự báo thu được từ dạng rút gọn, như trong (25) Kỹ thuật này áp dụng được đối với mô hình kinh tế lượng

tuyến tính hoặc phi tuyến Sử dụng cách tiếp cận này, các dự báo dài hạn có thể được viết như sau :

j h

j

j h T j

h

j

j h T

h T

0 1 2 1

0 1

j h

j

j h T

h T

T y z

1

0 1

về độ chính xác của dự báo

Trong một nghiên cứu về độ chính xác của các dự báo kinh tế lượng, cần phải xem xét đến các loại sai số khác nhau Thứ nhất, sai số do lựa chọn mô hình không chính xác gây ra Mô hình, vốn là một sự đơn giản hoá thực tế và vì vậy thường bỏ sót những ảnh hưởng nhất định và đơn giản hoá các ảnh hưởng khác Thứ hai, sai số do số liệu được sử dụng trong việc ước lượng mô hình

gây ra Thứ ba, sai số khâu ước lượng các tham số của mô hình gây ra Thứ tư, sai số trong dự báo các biến ngoại sinh và trong các nhân tố bổ sung gây ra Cuối cùng, sai số do sự thiếu chính xác của các số liệu “thực tế” mà dự báo được so sánh với chúng Tất nhiên, một số sai số có thể bù trừ nhau, dẫn tới sự chính xác giả tạo trong dự báo Có một vài thước đo về độ chính xác của dự báo Để đơn giản, ở đây ta chỉ xét các dự báo ngắn hạn tất định ex-ante, nhưng

có thể sử dụng cách tiếp cận này để nghiên cứu độ chính xác của các dự báo dài hạn

Sai số tuyệt đối êT+1 của dự báo ngắn hạn trong (25) có được nhờ kết hợp phương trình này với phương trình (24):

) ˆ ˆ ˆ

( ) (

ˆ ) ˆ (

) ˆ ( )

ˆ (

ˆT+1 = y T+1 ∏1− ∏1 +z T+1 ∏2− ∏2 + z T+1 −z T+1 ∏2+ u T+1−u T+1

Phương trình được viết lại theo cách này nhằm giúp nghiên cứu về sai số

rõ ràng hơn, bởi vì mỗi một số hạng trong công thức trên của sai số có một ý nghĩa nhất định Số hạng thứ nhất biểu thị sai số do ước lượng không đúng ma trận hệ số Π1, các sai số này được gán quyền số là yT Số hạng thứ hai biểu thị các sai số do ước lượng ma trận hệ số Π2 gây ra, các sai số này được gán quyền số là các giá trị đúng của các biến ngoại sinh ở tương lai zT+1 Số hạng thứ ba biêủ thị sai số trong dự đoán các biến ngoại sinh này ở tương lai, được gán quyền số là ma trận hệ số ước lượng ∏ ˆ 2 Số hạng thứ tư biểu thị sai số do các số hạng nhiễu ngẫu nhiên gây ra, ở đây uˆT+1 là các nhân tố bổ sung Cả bốn

số hạng, nhưng đặc biệt số hạng cuối cùng, có thể phần nào chụi ảnh hưởng của sự thay đổi trong cơ cấu kinh tế qua thời gian, và đây có thể là nguyên nhân chính của sai số dự báo Tất nhiên, một số trong các sai số này có thể và

nói chung bù trừ nhau Sai số êT+1 là một biến ngẫu nhiên, vì ∏ ˆ 1, ∏ ˆ 2 và uT+1 tất

cả là các biến ngẫu nhiên Vào lúc dự đoán, yT được giả định là một lượng đã biết (và vì vậy không phải là ngẫu nhiên) Lấy kỳ vọng, nếu các ma trận hệ số 1

ˆ

∏ , ∏ ˆ 2 là các ước lượng không chệch thì khi giả định zT+1 và uˆT+1 là tất định

sẽ có :

E(êT+1) = (zT+1-zˆT+1)Π2- uˆT+1, (35)

bởi vì u được giả định là có trung bình bằng 0

Như vậy, sai số kỳ vọng bao gồm sai số trong dự đoán các biến ngoại sinh được gán quyền số là ma trận hệ số đúng Π2, trừ đi các nhân tố bổ sung

Dự báo yˆT+1 là một dự báo không chệch nếu sai số tuyệt đối định nghĩa trong (33) có kỳ vọng bằng 0:

Điều này suy ra rằng trừ trường hợp các biến ngoại sinh là dự báo không

có sai số (hoặc Π2 = 0), việc không đưa nhân tố bổ sung vào, hoặc tương đương là đặt chúng bằng 0, sẽ dẫn đến các dự báo chệch Để dễ thấy, trình bày bằng hình học độ chính xác của dự báo trong trường hợp dự báo một biến đơn được cho trong Hình 2 Thay đổi (tính theo) phần trăm thực tế, được chỉ ra trên trục hoành, là

1 x y

y y A

T

T T T

y y

F

T

T T T

−

= +

Trong hình này, đường 45 độ là đường các dự báo hoàn hảo, mà đối với

nó thay đổi phần trăm thực tế và dự báo bằng nhau Góc phần tư thứ nhất chứa các điểm mà đối với nó dự báo là tăng và đối với nó thực tế xảy ra tăng, góc phần tư thứ ba chứa các điểm mà đối với nó dự báo là giảm và đối với nó thực

tế xảy ra giảm Các góc phần tư thứ hai và thứ tư chứa các sai số điểm ngoặt (nghĩa là, dự báo không đúng chiều hướng thay đổi): trong góc phần tư thứ hai

dự báo là tăng nhưng biến thực tế giảm về giá trị và trong góc phần tư thứ tư

dự báo là giảm nhưng biến thực tế tăng về giá trị

Một loạt các thay đổi thực tế và phần trăm dự báo (AT,FT) đối với các biến khác nhau hoặc các thời kỳ khác nhau có thể được vẽ trên đồ thị như là một sự rải các điểm như trong Hình 2 Tuy nhiên, thường thấy rằng đối với nhiều biến khác nhau và đối với nhiều thời kỳ khác nhau, hầu hết các điểm này rơi vào hình nón tô đậm giữa đường các dự báo hoàn hảo và trục phần trăm tăng thực tế, hình nón của ước lượng thấp đối với thay đổi Một ước lượng thấp

có hệ thống của thay đổi như vậy thường được thấy đối với hầu hết các dự báo

^

1− × +

T

T T

y

y y

Hình 2 Thay đổi phần trăm dự báo so sánh với thực tế

FT=thay đổi phần trăm dự báo

ước lượng cao của

sự gia tăng

45o đường các

dự báo hoàn hảo

đường ước lượng thấp của sự gia tăng

AT= thay đổi phần trăm thực tế

các sai số điểm ngoặt

đường ước lượng

thấp của sự giảm

ước lượng cao của sự giảm

Trong trường hợp yT dương, ở đây yT+1 và yT+1 cả hai đều lớn hơn yT, (41) suy ra rằng yT+1 lớn hơn yT+1 – nghĩa là, các mức thực tế lớn hơn các mức

dự báo Khi đó từ (34) suy ra rằng

y T (Π 1 - ∏ ˆ 1)+ z

T+1 (Π 2 - ∏ ˆ 2) + (z

T+1 - zˆT+1z

T+1 ) Π 2 +(u T+1 - uˆT+1) >0 (42) Lấy kỳ vọng, bất đẳng thức này suy ra là

1

ˆT+

u u

T+1 < (z T+1 -zˆT+1 ) Π 2 , (43) trái với (38), ở đó đẳng thức xảy ra với các dự báo không chệch

Trong trường hợp đơn giản nhất vơi một biến ngoại sinh đơn, trong đó

Π2 > 0, bất đẳng thức (43) dựa trên cả sự ước lượng thấp giá trị tương lai của biến ngoại sinh (zˆT+1 < zT+1) lẫn ước lượng thấp nhân tố bổ sung (nghĩa là bỏ qua nó)

Một giải thích có thể của sự ước lượng thấp một cách hệ thống của thay đổi là: tất cả các phương pháp dự báo dựa trên cơ sở một mô hình cụ thể hoặc không cụ thể nào đó, và tất cả các mô hình, do sự đơn giản hoá thực tế của nó, đều bao hàm một giả định rằng có các biến thích ứng nào đó hoặc không đổi hoặc được tính đến trong số hạng nhiễu ngẫu nhiên Khi các biến này thực tế

có sự thay đổi và chúng ảnh hưởng lên các biến dự báo thì kết quả của sự đơn giản hoá này là sự ước lượng thấp có hệ thống được nhận thấy Kết quả là một sai lệch (sự chệch) bảo thủ trong dự báo, che lấp cả các dự báo tăng lẫn giảm dưới biên độ thực tế của nó

Một thước đo đại số của độ chính xác tổng thể của một số dự báo là hệ

số không bằng nhau Nếu FTi và ATi tương ứng là những thay đổi phần trăm

dự báo và thực tế, đối với thời kỳ (hoặc biến) i, lấy giá trị từ 1 đến m, hệ số không bằng nhau đối với tập hợp dự báo này là:

i Ti Ti T

A m

F A m U

1 2 1

2

) / 1 (

) (

) / 1 (

(44)

Ở đây, tử số là căn của sai số bình phương trung bình dự báo, trong khi mẫu số là căn của sai số bình phương trung bình khi giả định thay đổi dự báo là

0 Trường hợp dự báo hoàn hảo là trường hợp trong đó U = 0 Nếu FTi = 0, do

đó thay đổi phần trăm dự báo là 0, nhĩa là dự báo theo nguyên trạng đối với tất

cả các biến được nghiên cứu, thì U = 1 Do đó trường hợp U = 1 tương đương với một dự báo theo nguyên trạng Tất nhiên, U có thể lớn hơn 1, trong trường hợp đó các dự báo là kém hơn, theo nghĩa tổng thể, so với các dự báo theo nguyên trạng Tổng quát hơn, nếu

ở đây k là một hằng số lớn hơn 0 (nghĩa là tránh được sai số điểm ngoặt) nhưng nhỏ hơn 1 (nghĩa là có sự ước lượng thấp một cách hệ thống của sự thay đổi) thì

ở đây A và F tương ứng là những thay đổi phần trăm thực tế và dự báo trung bình Lấy bình phương các số hạng trong ngoặc dẫn đến biểu thức:

[ A F A F]

Ti

Ti A F S S r S S

A m

) / 1 (

2

Ở đây SA và SF tương ứng là các độ lệch tiêu chuẩn của A và F, và r là

hệ số tương quan giữa A và F Trong biểu thức này bình phương của hệ số không bằng nhau được phân rã thành ba số hạng Số hạng thứ nhất là bình phương của sai khác giữa các trung bình, thước đo sự chệch – nghĩa là, khuynh hướng trung tâm không bằng nhau của các thay đổi phần trăm thực tế và dự báo Số hạng thứ hai là bình phương của sai khác giữa các độ lệch tiêu chuẩn, một thức đo của mức độ thay đổi không bằng nhau Số hạng thứ ba gắn với hệ

số tương quan và là một thước đo của tính hiệp biến không hoàn hảo Số hạng cuối cùng này biểu thị một sai số ngẫu nhiên không hệ thống không thể tránh Tuy nhiên, hai số hạng đầu biểu thị sai số hệ thống một cách lý tưởng là phải tránh

2 5 Kinh nghiệm dự báo bằng các mô hình kinh tế lượng vĩ mô: những bài học tổng quát

Kinh nghiệm mới gần đây hơn với dự báo sử dụng mô hình kinh tế lượng đã chứng tỏ tầm quan trọng và giá trị của các nhân tố bổ sung Các nhân

tố bổ sung này, phản ánh đánh giá của chuyên gia về các nhân tố không được đưa vào mô hình, nói chung cải thiện đáng kể khả năng dự báo của mô hình Các dự báo với những điều chỉnh chủ quan như vậy nói chung chính xác hơn

so với các dự báo thu được từ việc áp dụng thuần tuý máy móc mô hình kinh tế lượng, kể cả các dự báo ex-post Việc kết hợp một mô hình kinh tế lượng với ý kiến chuyên gia theo cách này tận dụng những điểm tốt nhất của mỗi phương pháp Nó kết hợp kỷ luật khách quan tường minh của mô hình kinh tế lượng hình thức và các ước lượng hồi quy với kinh nghiệm chủ quan tiềm ẩn của các